MétaCan
Menu
Retour à la cohorte
Enregistrement W4300653865 · doi:10.48550/arxiv.1512.01132

Spatially-coupled Split-component Codes with Iterative Algebraic\n Decoding

2015· preprint· W4300653865 sur OpenAlexaff
Lei M. Zhang, Dmitri Truhachev, Frank R. Kschischang

Notice bibliographique

RevuearXiv (Cornell University) · 2015
Typepreprint
Langue
DomaineComputer Science
ThématiqueError Correcting Code Techniques
Établissements canadiensUniversity of TorontoDalhousie University
Organismes subventionnairesnon disponible
Mots-clésBinary erasure channelDecoding methodsBlock codeSequential decodingBinary symmetric channelAlgorithmList decodingConcatenated error correction codeRecursion (computer science)Reed–Muller codeComputer scienceLow-density parity-check codeComponent (thermodynamics)MathematicsChannel (broadcasting)Channel capacity

Résumé

récupéré en direct d'OpenAlex

We analyze a class of high performance, low decoding-data-flow\nerror-correcting codes suitable for high bit-rate optical-fiber communication\nsystems. A spatially-coupled split-component ensemble is defined, generalizing\nfrom the most important codes of this class, staircase codes and braided block\ncodes, and preserving a deterministic partitioning of component-code bits over\ncode blocks. Our analysis focuses on low-complexity iterative algebraic\ndecoding, which, for the binary erasure channel, is equivalent to a\ngeneralization of the peeling decoder. Using the differential equation method,\nwe derive a vector recursion that tracks the expected residual graph evolution\nthroughout the decoding process. The threshold of the recursion is found using\npotential function analysis. We generalize the analysis to mixture ensembles\nconsisting of more than one type of component code, which provide increased\nflexibility of ensemble parameters and can improve performance. The analysis\nextends to the binary symmetric channel by assuming mis-correction-free\ncomponent-code decoding. Simple upper-bounds on the number of errors\ncorrectable by the ensemble are derived. Finally, we analyze the threshold of\nspatially-coupled split-component ensembles under beyond bounded-distance\ncomponent decoding.\n

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Science ouverte, Intégrité de la recherche
Catégories consensuellesMéta-épidémiologie (sens strict)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,518
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0050,005
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,081
Tête enseignante GPT0,212
Écart entre enseignants0,131 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuearXiv (Cornell University)Même sujetError Correcting Code TechniquesTravaux en français237 207